摘要
本研究通过集成现有的机器学习技术（用于故障类型分类和区域故障定位）以及一种互补的双端行波程序（用于点位置估计），评估了一种用于输电系统故障诊断的分层工作流程。其贡献在于流程集成和比较评估方面，而不是提出新的机器学习或行波算法。该方法使用IEEE 9节点测试系统进行了评估。使用DIgSILENT PowerFactory在六条输电线的多个位置自动模拟了对称和非对称短路场景，并将生成的波形记录导出为COMTRADE格式，从而创建了一个包含2952个故障事件的数据库。通过相位电压和电流以及正序、负序和零序分量，评估了决策树（Decision Trees）、自组织映射（Self-Organizing Maps, SOM）、人工神经网络（Artificial Neural Networks, ANN）和K最近邻（KNN）算法在故障类型分类和区域故障定位方面的性能。在模拟的无噪声条件下，并采用固定的保留集划分方法，这四种算法正确分类了所有591个故障类型测试样本，测试集准确率为100%。这一结果仅反映了本研究中考虑的特定评估子集；未进行重复验证或分组划分，因此训练集和测试集中的模拟故障位置可能重叠。在保留的590个事件的评估集中，人工神经网络（ANN）在区域故障定位方面表现出最强且最稳定的性能，六个故障区域的分类召回率均在0.96到0.99之间；而决策树则在区域区分能力和计算效率之间提供了良好的平衡。原始执行中的一些模型特定超参数值在保留的实验记录中不可用，这限制了这些原始配置的精确复制；报告的结果对应于本研究中记录的评估执行结果。作为工作流程的第三个补充组件，基于离散小波分析的双端行波程序在一个位于输电线长度25%处的单次故障事件上进行了演示，从局部端点获得了约25.07%的标准化点位置估计值。这一单次事件分析展示了行波处理序列的操作情况，而更广泛的多事件验证超出了当前实验的范围。总体而言，这些结果证明了故障类型分类、区域故障定位和基于行波的点位置精炼在共同诊断工作流程中的协调应用。这些发现应仅在本文考虑的确定性模拟条件、固定评估子集和实验记录范围内进行解释。
